maxnet详解（一）

从本篇开始，我开辟一块关于mxnet学习的新的版块。

多层感知机前面的内容过于基础，不再赘述。

（一）多层感知机使用mxnet中的Gluon（轮子）

两层的感知机，包含一个hidden layer：

from mxnet import gluon

net = gluon.nn.Sequential()
with net.name_scope():
    net.add(gluon.nn.Flatten())
    net.add(gluon.nn.Dense(256,activation='relu'))
    #其中输入的个数是不需要管的，Dense使用了全连接层
    net.add(gluon.nn.Dense(10))#输出为10

net.initialize()

对函数进行了初始化

输入中的Flatten（）是因为输入的是28*28的图片，需要进行扁平化处理。

设定完了网络之后的第二部就是进行读取数据啦。

import sys
sys.path.append('..')
#当模块和自己写的脚本不在同一个目录下面的时候
#就要使用sys.path.append('模块的地址')进行添加
from mxnet import ndarray as nd
from mxnet import autograd
import utils
batch_size = 256
train_data,test_data = utils.load_data_fashion_mnist(batch_size)

softmax_cross_entropy = gluon.loss.SoftmaxCrossEntropyLoss()
trainer = gluon.Trainer(net.collect_params(),'sgd',{'learning_rate':0.5})
for epoch in range(5):
    train_loss=0.
    train_acc=0.
    for data,label in train_data:
        with autograd.record():
            output = net(data)
            loss = softmax_cross_entropy(output,label)
        loss.backward()
        trainer.step(batch_size)
        train_loss+=nd.mean(loss).asscalar()
        train_acc+=utils.accuracy(output,label)
    test_acc = utils.evaluzte_accuracy(test_data,net)
    print("%d %f %f",epoch,train_loss/len(train_data),train_acc/len(train_data),test_acc/len(test_data))